A low-code data anonymization platform for achieving data privacy for research data

En el mundo moderno de la investigación, los datos son el alma de los descubrimientos. Los científicos y los funcionarios de salud pública recopilan grandes cantidades de información sobre las personas, desde sus registros de salud y niveles educativos hasta su ubicación y detalles familiares. Esta información permite detectar patrones, rastrear enfermedades y tomar decisiones que mejoran vidas. Sin embargo, este mismo conjunto de datos es un arma de doble filo. Si se comparte sin cuidado, los mismos detalles que hacen que la investigación sea útil también pueden revelar las identidades de las personas que la proporcionaron. Una combinación de hechos aparentemente inofensivos, como la edad, el género y el código postal de una persona, puede a veces utilizarse para reconstruir piezas y determinar exactamente quién es. Este riesgo convierte un conjunto de datos valioso en una amenaza para la privacidad, exponiendo potencialmente a las personas al estigma, la discriminación o problemas legales. Para resolver esto, los investigadores utilizan un proceso llamado anonimización, que altera o elimina cuidadosamente detalles específicos para proteger a los individuos mientras mantiene la utilidad de los datos para el análisis. No obstante, para muchos investigadores, especialmente aquellos que trabajan en regiones con menos recursos, las herramientas necesarias para hacer esto de forma segura suelen ser demasiado complejas, demasiado costosas o están bloqueadas tras curvas de aprendizaje pronunciadas que exigen habilidades avanzadas de programación informática.

Un equipo de investigadores del Centro de Investigación de la Población y la Salud de África, en Kenia, ha abordado esta brecha mediante la creación de una nueva herramienta accesible diseñada para hacer que la privacidad de los datos sea manejable para todos. Crearon una plataforma de bajo código (low-code), un tipo de software que permite a los usuarios realizar tareas complejas mediante simples clics y menús en lugar de escribir líneas de código. Esta plataforma, que denominan Plataforma de Anonimización de Datos de Bajo Código, actúa como un taller guiado para los investigadores. Toma un conjunto de datos brutos y guía al usuario a través de una serie de pasos para eliminar la información identificativa. El sistema se basa en la idea de que proteger la privacidad no debería requerir un título en ciencias de la computación. En su lugar, ofrece una interfaz visual donde un investigador puede cargar sus datos, seleccionar qué piezas de información necesitan protección y elegir entre un menú de técnicas probadas para ocultar esos detalles. La plataforma muestra instantáneamente cómo estos cambios afectan el riesgo de que alguien sea reidentificado, permitiendo al usuario encontrar el equilibrio adecuado entre mantener los datos seguros y mantenerlos útiles para el estudio.

Los investigadores probaron su plataforma utilizando un conjunto de datos sintéticos modelados a partir de registros reales de vigilancia de la salud, asegurando que nunca se expusera información privada real durante el proceso de desarrollo. Demostraron cómo la herramienta maneja diferentes tipos de protección de datos. Para los identificadores directos, como nombres o números de teléfono, la plataforma puede simplemente eliminarlos por completo o reemplazarlos con una cadena de asteriscos, asegurando que el valor original no pueda adivinarse por la longitud del texto oculto. Para los datos numéricos, como la edad o los ingresos, la herramienta puede agrupar números específicos en rangos más amplios, como convertir una edad precisa de veintisiete años en una categoría de "veinticinco a veintinueve". Este proceso, conocido como agrupación (bucketing), hace que sea mucho más difícil aislar a un individuo porque muchas personas ahora comparten la misma etiqueta. La plataforma también ofrece métodos más avanzados, como la generalización, donde las ubicaciones específicas se amplían a regiones más grandes, y la tokenización, que intercambia valores sensibles por códigos aleatorios e irreconocibles que no pueden revertirse.

Una característica clave de este nuevo sistema es su capacidad para actuar como una guía en tiempo real. A medida que el investigador aplica estos cambios, la plataforma calcula automáticamente el riesgo de reidentificación. Rastrea métricas como la probabilidad promedio de que una persona pueda ser identificada y el porcentaje de registros que siguen siendo únicos. En su demostración, los investigadores mostraron cómo un conjunto de datos con un riesgo inicial alto podía mejorarse sistemáticamente. Al aplicar una combinación de técnicas, redujeron el porcentaje de registros únicos e identificables de más del noventa por ciento a cero. Esto significa que, tras el proceso, ninguna persona en el conjunto de datos podría ser aislada basándose en la combinación de rasgos que preocupaban a los investigadores. Crucialmente, la plataforma no solo produce un archivo seguro; también genera un registro completo y paso a paso de exactamente lo que se hizo. Redacta las instrucciones para los cambios en tres lenguajes de programación comunes, lo que permite a otros investigadores ver, verificar y repetir exactamente el mismo proceso. Esta transparencia garantiza que el trabajo sea responsable y que los métodos puedan ser auditados por comités de ética u otros científicos.

Los autores reconocen que, si bien la herramienta es poderosa, no es una varita mágica que resuelve todos los problemas de privacidad. El equilibrio entre la privacidad y la utilidad depende en gran medida de la estructura específica de los datos, y a veces hacer que los datos sean lo suficientemente seguros significa perder algunos de los detalles finos necesarios para un análisis profundo. La plataforma está diseñada actualmente para tablas de datos estructuradas, como hojas de cálculo, y aún no maneja información no estructurada como imágenes o transcripciones de video. Además, aunque la herramienta protege los datos mientras se están procesando, los investigadores señalan que, una vez que el archivo final sale de la plataforma, la responsabilidad de cómo se comparte y almacena recae nuevamente en el usuario. A pesar de estos límites, el trabajo representa un paso significativo hacia la justicia de datos. Al reducir las barras técnicas de entrada, la plataforma empodera a las instituciones en entornos con recursos limitados para adoptar estándares de privacidad rigurosos sin necesidad de software costoso o equipos de programación especializados. Ofrece una forma práctica de asegurar que los beneficios del intercambio de datos puedan llegar a más personas mientras se mantiene a los individuos detrás de los datos a salvo de cualquier daño.